一种基于边缘人工智能的大坝变形预测方法

本发明属于水利信息化领域，特别涉及一种基于边缘人工智能的大坝变形预测方法。

背景技术：

1、大坝的修建对于洪水等自然灾害的治理以及航运及电力等领域产生着重要的影响，目前我国所拥有的大坝总数已经接近10万座，其数量位于世界第一，为我国带来了直接且重要的经济效益。而由于各水库的修建年代不同，且其中多数产生了老化、形变等问题，一旦出现安全性问题将对我国带来重大的经济及社会性损失。因此，针对大坝的安全性检测成为目前极为重要且紧迫的问题。

2、传统的大坝变形监测系统需要对监测点数据进行逐个建模分析，随着监测技术及手段的日益进步，传统检测系统积累了海量的大坝监测数据，低效的建模预测方法不利于工作人员对于大坝真实运行情况的预测与估计。

3、大坝变形预测系统与云计算相结合，可以综合考量影响大坝变形的多种因素建立准确高精度的预测模型，但海量数据在互联网上传输，增大了网络负担，降低了整个系统的实时性与可靠性，同时存在安全隐患问题。

技术实现思路

1、基于此，本发明提出了一种基于边缘人工智能的大坝变形预测方法，其特征在于，结合人工智能与边缘计算，同时使用云计算与边缘计算，具体包括以下步骤：

2、s1在云端服务平台训练数据，生成初步预测模型，并将模型传输至网络边缘；

3、s2在网络边缘设置人工智能设备，接受云端服务器下传的预测模型，独立运行边缘计算系统，存储终端设备收集的数据并对模型进行优化；

4、s3数据采集终端实时收集大坝数据，将其上传至边缘人工智能设备并进行存储，接受优化后的预测模型对大坝变形进行预测。

5、进一步的，所述s1具体为：

6、s1.1初始数据准备，由传感器终端采集的大坝变形原始数据上传至云端服务器的存储设备中，建立初始数据库；

7、s1.2利用云端服务器的人工智能芯片模组，基于卡尔曼滤波器对数据进行降噪处理，剔除其中无效数据，提高数据平滑度；

8、s1.3基于长短期记忆网络lstm对降噪后的数据进行训练，并生成初步预测模型，使用云端服务器通信模块与边缘人工智能设备实时通信。

9、进一步的，所述lstm模型由遗忘门、输入门、输出门组成，通过遗忘门控制状态以选择性地忘记上一节点的输入内容，解决传统rnn算法中的梯度消失与梯度爆炸。

10、进一步的，所述边缘人工智能设备独立运行人工智能算法；

11、进一步的，所述边缘人工智能设备由处理单元、存储单元、通信单元组成；

12、所述处理单元使用人工智能芯片google edge tpu，拥有独立的机器学习芯片，使深度学习如长短时记忆lstm算法可以独立运行在此设备。

13、所述通信单元同时集成有线与无线通信接口，使用5g技术与云端服务器相连接，接受经由云端服务平台初步训练的模型，同时经由网络与传感器连接，实时接收来自传感器的数据。

14、所述存储单元对传感器实时传输的数据进行存储，同时存储少量来自云端服务平台的数据。

15、进一步的，所述数据采集终端采用北斗高精度定位模块、雨量计、温度计等传感器组成，其采用独立的光伏供电技术，以满足数据采集终端在各种不同温度与天气情况下连续稳定长时间运行；

16、进一步的，数据采集终端集成无线与有线通信接口，与边缘人工智能设备通信连接。

17、本发明无需在坝区建设中心机房进行数据处理，通过监测数据和边缘人工智能设备即可实现大坝安全预测预警，减轻了网络负担，提高了整个系统的实时性与可靠性，提高了水库大坝安全预警效率。

技术特征：

1.一种基于边缘人工智能的大坝变形预测方法，其特征在于，结合人工智能与边缘计算，同时使用云计算与边缘计算，具体包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述s1具体为：

3.根据权利要求2所述的方法，其特征在于，

4.根据权利要求1所述的方法，其特征在于，所述边缘人工智能设备独立运行人工智能算法。

5.根据权利要求4所述的方法，其特征在于，

6.根据权利要求1所述的方法，其特征在于，

7.根据权利要求6所述的方法，其特征在于，

技术总结
一种基于边缘人工智能的大坝变形预测系统及方法，结合人工智能算法与边缘计算的运算模式，引入边缘人工智能设备，将一部分由云端服务平台进行的机器学习算法分配给网络边缘，利用多个边缘人工智能设备加速模型训练过程，实时存储来自传感器的数据，对云端初步训练好的模型优化训练，最终利用训练完成的LSTM模型对大坝的变形数据进行预测，减轻了管理人员的工作强度，提高了水库大坝安全预警效率。

技术研发人员：王峰,刘革瑞,李天翔,贾海蓉
受保护的技术使用者：太原理工大学
技术研发日：
技术公布日：2024/1/11